當前，半監(jiān)督學習的發(fā)展如火如荼。但是現(xiàn)有的半監(jiān)督學習基準大多局限于計算機視覺分類任務，排除了對自然語言處理、音頻處理等分類任務的一致和多樣化評估。此外，大部分半監(jiān)督論文由大型機構(gòu)發(fā)表，學術(shù)界的實驗室往往由于計算資源的限制而很難參與到推動該領(lǐng)域的發(fā)展中。

為此，微軟亞洲研究院的研究員們聯(lián)合西湖大學、東京工業(yè)大學、卡內(nèi)基梅隆大學、馬克斯-普朗克研究所等機構(gòu)的科研人員提出了 Unified SSL Benchmark（USB）：第一個將視覺、語言和音頻分類任務進行統(tǒng)一的半監(jiān)督分類學習基準。

該論文不僅引入了更多樣化的應用領(lǐng)域，還首次利用視覺預訓練模型大大縮減了半監(jiān)督算法的驗證時間，使得半監(jiān)督研究對研究者，特別是小研究團體更加友好。相關(guān)論文已被國際人工智能領(lǐng)域頂級學術(shù)大會 NeurIPS 2022 接收。

文章鏈接：https://arxiv.org/pdf/2208.07204.pdf

代碼鏈接：https://github.com/microsoft/Semi-supervised-learning?

監(jiān)督學習通過構(gòu)建模型來擬合有標記數(shù)據(jù)，當使用監(jiān)督學習 (supervised learning)對大量高質(zhì)量的標記數(shù)據(jù)（labeled data）進行訓練時，神經(jīng)網(wǎng)絡(luò)模型會產(chǎn)生有競爭力的結(jié)果。

例如，據(jù) Paperswithcode 網(wǎng)站統(tǒng)計，在 ImageNet 這一百萬量級的數(shù)據(jù)集上，傳統(tǒng)的監(jiān)督學習方法可以達到超過88%的準確率。然而，獲取大量有標簽的數(shù)據(jù)往往費時費力。

為了緩解對標注數(shù)據(jù)的依賴，半監(jiān)督學習（semi-supervised learning/SSL）致力于在僅有少量的標注數(shù)據(jù)時利用大量無標簽數(shù)據(jù)（unlabeled data）來提升模型的泛化性。半監(jiān)督學習亦是機器學習的重要主題之一。深度學習之前，這一領(lǐng)域的研究者們提出了諸如半監(jiān)督支持向量機、熵正則化、協(xié)同訓練等經(jīng)典算法。

深度半監(jiān)督學習

隨著深度學習的興起，深度半監(jiān)督學習算法也取得了長足的進步。同時，包括微軟、谷歌、和 Meta 等在內(nèi)的科技公司也認識到了半監(jiān)督學習在實際場景中的巨大潛力。

例如，谷歌利用噪聲學生訓練（noisy student training）這一半監(jiān)督算法提高了其在搜索方面的性能[1]。當前最具代表性的半監(jiān)督算法通常對標注數(shù)據(jù)使用交叉熵損失進行訓練，對無標注數(shù)據(jù)使用一致性正則技術(shù)（consistency regularization）鼓勵對輸入擾動進行不變預測。

例如，谷歌在 NeurIPS 2020 提出的 FixMatch[2] 算法，利用增強錨定（augmentation anchoring）和固定閾值（fixed thresholding）技術(shù)來增強模型對不同強度增強數(shù)據(jù)的泛化性和減少噪聲偽標簽（noisy pseudo labels）的影響。在訓練中，F(xiàn)ixMatch 過濾了低于用戶指定（user-provided / pre-defined）閾值的無標簽數(shù)據(jù)。

微軟亞洲研究院與東京工業(yè)大學等在 NeurIPS 2021 合作提出的 FlexMatch[3] 則考慮到了不同類之間的學習難度不同，因此提出了課程偽標簽（curriculum pseudo labeling）技術(shù)，對于不同類應該采用不同的閾值。

具體來說，對于容易學習的類別，模型應該設(shè)置高閾值以降低噪聲偽標簽的影響；對于難學習的類別，模型應該設(shè)置低閾值鼓勵該類的擬合。每個類的學習難度評估取決于落入該類且高于固定值的未標記數(shù)據(jù)樣本的數(shù)量。

同時，微軟亞洲研究院的研究員們還合作提出了一個統(tǒng)一的基于 Pytorch 的半監(jiān)督方法代碼庫 TorchSSL[4]，對該領(lǐng)域的深度方法、常用數(shù)據(jù)集和基準結(jié)果進行了統(tǒng)一的支持。

圖1：FlexMatch 算法流程

當前半監(jiān)督學習代碼庫存在的問題與挑戰(zhàn)

盡管半監(jiān)督學習的發(fā)展如火如荼，但是，研究員們注意到目前大部分半監(jiān)督方向的論文只關(guān)注計算機視覺 (CV) 分類任務，對于其他領(lǐng)域，例如自然語言處理 (NLP)、音頻處理 (audio)，研究者無法得知這些在 CV 任務上有效的算法到了不同領(lǐng)域是否依然有效。

另外，大部分半監(jiān)督相關(guān)的論文都是由大型機構(gòu)發(fā)表，學術(shù)界的實驗室往往由于計算資源的限制而很難參與到推動該領(lǐng)域的發(fā)展中。總的來說，半監(jiān)督學習基準目前存在以下兩個問題：

（1）多樣性不足。現(xiàn)有的半監(jiān)督學習基準大多局限于 CV 分類任務（即 CIFAR-10/100，SVHN，STL-10 和 ImageNet 分類），排除了對 NLP、audio 等分類任務的一致和多樣化評估，而在 NLP 和 audio 中缺乏足夠的標記數(shù)據(jù)也是一個普遍問題。

（2）耗時且對學術(shù)界不友好。現(xiàn)有的半監(jiān)督學習基準（如 TorchSSL）通常是耗時且不環(huán)保的，因為它往往需要從頭開始訓練深度神經(jīng)網(wǎng)絡(luò)模型。具體而言，使用TorchSSL 評估 FixMatch[1]大約需要300個 GPU 日。如此高的訓練成本使得許多研究實驗室（尤其是學術(shù)界的實驗室或小研究團體）無法負擔得起 SSL 的相關(guān)研究，從而阻礙了 SSL 的進展。

USB：任務多樣化且對研究者更友好的新基準庫

為了解決上述問題，微軟亞洲研究院的研究員們聯(lián)合西湖大學、東京工業(yè)大學、卡內(nèi)基梅隆大學、馬克斯-普朗克研究所等機構(gòu)的科研人員提出了 Unified SSL Benchmark（USB），這是第一個將視覺、語言和音頻分類任務進行統(tǒng)一的半監(jiān)督分類學習基準。

相比于之前的半監(jiān)督學習基準（如 TorchSSL）只關(guān)注少量視覺任務，該基準不僅引入了更多樣化的應用領(lǐng)域，還首次利用視覺預訓練模型（pretrained vision Transformer）大大縮減了半監(jiān)督算法的驗證時間（從7000 GPU 時縮減至900 GPU 時），從而使得半監(jiān)督研究對研究者、特別是小研究團體更為友好。

相關(guān)論文已被國際人工智能領(lǐng)域的頂級學術(shù)大會 NeurIPS 2022 接收。（點擊「閱讀原文」可了解更多）

USB 提供的解決方案

那么，USB 如何一次性解決當前半監(jiān)督基準所存在的問題呢？研究員們主要進行了如下改進：

（1）為增強任務多樣性，USB 引入了5個 CV 數(shù)據(jù)集，5個 NLP 數(shù)據(jù)集和5個 audio 數(shù)據(jù)集，并提供了一個多樣化且具有挑戰(zhàn)性的基準，從而能夠?qū)碜圆煌I(lǐng)域的多個任務進行一致的評估。表1提供了 USB 與 TorchSSL 的任務和訓練時間等方面的詳細對比。

表1：USB 與 TorchSSL 框架的任務和訓練時間對比

（2）為了提高訓練效率，研究員們將預訓練的 vision Transformer 引入 SSL，而不是從頭訓練 ResNets。具體而言，研究員們發(fā)現(xiàn)在不影響性能的情況下使用預訓練模型可以大大減少訓練迭代次數(shù)（例如，將 CV 任務的訓練迭代次數(shù)從100萬步減少到20萬步）。

（3）為了對研究人員更加友好，研究員們開源實現(xiàn)了14種 SSL 算法并開源了一個模塊化代碼庫和相關(guān)的配置文件以供研究者輕松再現(xiàn) USB 報告中的結(jié)果。為了快速上手，USB 還提供了詳細的文檔和教程。此外，USB 還提供了 pip 包以供使用者直接調(diào)用 SSL 算法。研究員們承諾未來會在 USB 中不斷加入新的算法（例如不平衡半監(jiān)督算法等）和更多更具挑戰(zhàn)性的數(shù)據(jù)集。表2展示了 USB 中已支持的算法和模塊。

表2：USB 中已支持的算法和模塊

半監(jiān)督學習通過利用大量無標簽數(shù)據(jù)來訓練更精確、更魯棒的模型，在未來有著重要的研究和應用價值。微軟亞洲研究院的研究員們期待通過 USB 這一工作，能夠予力學術(shù)界和工業(yè)界在半監(jiān)督學習領(lǐng)域取得更大的進展。